[论文精读] StyleGAN2 论文&代码理解 (下)

前言

这是StyleGAN2理解的下篇，主要讲述的是代码的理解。上篇讲到StyleGAN2的论文总体包括以下四个方面内容@[论文精读] StyleGAN2 论文&代码理解 (上)
(1)、水滴状伪影的修正(归一化的修改)
(2)、图像质量的的提升，主要是PPL(perceptual path length)
(3)、关于渐进提升分辨率的做法
(4)、关于将图像投影到隐码空间 (latent space)
代码主要需要分为3个大方面来理解
(1)、Generator网络结构
(2)、主网络训练
(3)、图像投影到隐码空间 (latent space)的训练

1、Generator网络结构

1.1 初始化

1.1.1 输入初始化

生成器参数输入主要包括6个东西，输入输出尺度(分辨率，下文以512作为输入输出表示)，style维度(通常是512个style)，mlp的个数(通常设置8)，通道的乘数(默认2)，模糊核的设置(默认[1,3,3,1])，以及mlp的学习率尺度。

class Generator(nn.Module):
    def __init__(
        self,
        size,
        style_dim,
        n_mlp,
        channel_multiplier=2,
        blur_kernel=[1, 3, 3, 1],
        lr_mlp=0.01,
    ):
        super().__init__()

mapping network初始化

这部分也就是将原始输入随机数z，通过f(z) 变到w空间，是一个由若干个mlp(8个)构成的层。
第一个是一个用于像素归一化的层，通过input和自身平方根倒数相乘得到归一化数值
然后接下来的8层都是MLP层，通过线性/非线性映射，将输入的维度从[b,in_dim] 映射到 [b, in_dim]。以下是代码及便于理解的注释。

        """
        归一化： x * rsqrt(x*x.mean+1e-8)
        """
        layers = [PixelNorm()]

        
        """
        映射层： 512 -> 512 ,
        lr_mlp 是学习率乘法因子，

        权重初始化torch.randn(out_dim, in_dim).div_(lr_mul)，除以小于1的数，放大了
        偏置初始化0，

        权重乘以这个 self.scale = (1 / math.sqrt(in_dim)) * lr_mul ， 实际上两者结合就是*(1 / math.sqrt(in_dim))
        偏置乘以这个 self.lr_mul 
        """
        for i in range(n_mlp):
            layers.append(
                EqualLinear(
                    style_dim, style_dim, lr_mul=lr_mlp, activation="fused_lrelu"
                )
            )

        """
        style 将输入b in_dim -> b in_dim 线性或非线性映射(存在激活函数)，dim一般=512
        
        """
        self.style = nn.Sequential(*layers)

Synthesis network初始化

主要的生成网络的初始化，包括一些尺寸和通道数的初始化定义，初始输入，卷积，噪声引入的引入。
尺寸和通道数初始化定义如下，通过字典的方式强行绑定特征图尺寸和通道数。

        self.channels = {
            4: 512,
            8: 512,
            16: 512,
            32: 512,
            64: 256 * channel_multiplier,
            128: 128 * channel_multiplier,
            256: 64 * channel_multiplier,
            512: 32 * channel_multiplier,
            1024: 16 * channel_multiplier,
        }

初始化输入，设计第一个styleconv和第一个to_rgb层，这些卷积都可以先当作普通卷积来理解。

        """ 
        初始化输入
        self.channels[4]=512,初始化得到(1,512,4,4)
        第一维度 repeat batch次 变成(b,512,4,4) 
        """
        self.input = ConstantInput(self.channels[4])


        """
        开始设置卷积了，在外部当作普通卷积理解，具体理解可见具体函数
        输入输出通道都是512，没有上采样
        """
        self.conv1 = StyledConv(
            self.channels[4], self.channels[4], 3, style_dim, blur_kernel=blur_kernel
        )

        """
        先当作普通卷积，从512通道卷积到3通道(RGB)
        b,512,4,4 -> b,3,4,4
        """
        self.to_rgb1 = ToRGB(self.channels[4], style_dim, upsample=False)

设计多个尺度下的卷积层和噪声层，具体理解可见代码注释

# 2^n 次方，如果是512，logsize就是9
        self.log_size = int(math.log(size, 2))

        """
        层数根据logsize来设置如果是512，那么就是(9-2)*2+1 = 15 层，
        初始尺寸4，是2^2 ，最终尺寸是2^9，除去第一个尺寸的一个卷积，其他每个尺寸都有两个卷积=(9-2)*2+1
        """
        self.num_layers = (self.log_size - 2) * 2 + 1

        self.convs = nn.ModuleList()
        self.upsamples = nn.ModuleList()
        self.to_rgbs = nn.ModuleList()
        self.noises = nn.Module()

        in_channel = self.channels[4]


        """
        为啥+5？ 与每个尺寸的操作对应，第一个卷积只有一个，噪声也只有一个，都是在尺寸4上进行
        从第二个卷积开始，每个卷积都有两个，噪声也有两个，+5可以保证下一个偶数噪声和下下个奇数噪声尺寸相同。
        """
        for layer_idx in range(self.num_layers):
            res = (layer_idx + 5) // 2
            shape = [1, 1, 2 ** res, 2 ** res]
            self.noises.register_buffer(f"noise_{layer_idx}", torch.randn(*shape))

        
        """
        range从3开始到logsize+1，这个主要还是要和out_channel一一对应
        第一个卷积输入时self.channels[2 ** 2] = self.channels[4] 
        接下来每一层都是一个卷积(upsample=True) + 一个卷积(upsample=False)
        且每次上采样都是伴随 2 ** i的改变，也就是通道数会和设定一样，越来越少
        """
        for i in range(3, self.log_size + 1):
            out_channel = self.channels[2 ** i]

            self.convs.append(
                StyledConv(
                    in_channel,
                    out_channel,
                    3,
                    style_dim,
                    upsample=True,
                    blur_kernel=blur_kernel,
                )
            )

            self.convs.append(
                StyledConv(
                    out_channel, out_channel, 3, style_dim, blur_kernel=blur_kernel
                )
            )

            self.to_rgbs.append(ToRGB(out_channel, style_dim))

            in_channel = out_channel

        """
        self.n_latent 表示lantent 隐码有几个，是2x9-2=16个
        也就是总的2^9 ，每个维度有两个lantent但是2，没有，所以-2
        """
        self.n_latent = self.log_size * 2 - 2

1.2 forward

具体的数据传输流程和生成过程。
首先可以先把一些训练过程中没用到的模块折叠，方便整体理解。
1、将输入数据通过mapping network 映射到w空间
2、将w空间负责n次变成W空间(方便嵌入不同维度)
3、最小维度(4x4)的卷积和torgb处理
4、从最小维度到512尺度的卷积(两个，一个有上采样一个没有)和torgb层

1.3 备注：styleconv的理解

其实跟论文过程描述十分接近，可看下图。

那具体是怎么调制卷积权重的呢？

2、主网络训练

2.1 更新鉴别器

包括鉴别器更新、鉴别器正则化(16次迭代进行一次)。
鉴别器损失函数是softplus loss
正则化函数是 r1_loss （计算真实图像和生成图像的梯度，惩罚这个梯度，目的就是让鉴别器梯度小一点，稳定一点）

2.2 更新生成器

包括生成器更新、生成器正则化(4次迭代进行一次)
生成器损失函数也是softplus loss
正则化函数是路径正则化，也就是对图像增加噪声，观察其w梯度的变化。

路径正则化

3、图像投影到隐码空间的训练

3.1 初始设置

跟论文描述一样，先计算latent的均值和方差，然后初始化latent和noise的起点

3.2 迭代过程

包括学习率的更新，前面750次迭代的噪声增加，图像损失函数和正则化损失
学习率和噪声的更新。

图像损失和正则化损失以及最后的noise归一化。

带注释代码路径

https://github.com/yeruiqian/stylegan2-pytorch